Jump to content

Метод обратной корреляции

Техника обратной корреляции — это метод исследования, основанный на данных, используемый в основном в психологических и нейрофизиологических исследованиях. [1] Этот метод получил свое название из-за своего происхождения в нейрофизиологии, где взаимная корреляция между стимулами белого шума и редко встречающимися нейрональными спайками могла быть вычислена быстрее, если вычислять ее только для сегментов, предшествующих спайкам. [1] [2] [3] С тех пор этот термин был принят в психологических экспериментах, которые обычно не анализируют временной аспект, но также создают шум для участников-людей. В отличие от первоначального значения, здесь считается, что этот термин отражает то, что стандартная психологическая практика предъявления участникам стимулов определенных категорий «перевернута»: вместо этого ментальные представления участников о категориях оцениваются на основе взаимодействия представленного шума и поведенческие реакции. [4] Он используется для создания составных изображений индивидуальных и/или групповых мысленных представлений различных предметов (например, лиц, [5] тела, [6] и себя [7] ), которые отражают характеристики указанных предметов (например, надежность [8] и образ собственного тела [9] ). Этот метод полезен при оценке психических представлений людей с психическими заболеваниями и без них. [10]

Этот метод использует среднее значение, вызванное пиками, чтобы объяснить, какие области сигнала и шума на изображении важны для данного исследовательского вопроса. Сигнал — это информация, используемая для создания ценных объектов, которые помогают объяснить и связать мир вокруг нас. [11] Шум обычно называют нежелательным сигналом, который скрывает информацию, которую сигнал пытается представить. [12] Что наиболее важно для исследований обратной корреляции, шум представляет собой случайно изменяющуюся информацию. Чтобы определить важные области с помощью обратной корреляции, к базовому изображению применяется шум, который затем оценивается наблюдателями. Базовое изображение — это любое изображение, лишенное шума и имеющее отношение к вопросу исследования. Базовое изображение, на которое наложен шум, представляет собой стимул, который предъявляется участникам и оценивается ими. [4] Каждый раз, когда участнику предъявляется новый набор стимулов, это называется испытанием. После того, как участник ответил на сотни или тысячи испытаний, исследователь готов создать классификационное изображение. Классификационное изображение (в некоторых исследованиях сокращенно обозначаемое как «CI») — это одно изображение, которое представляет собой средние характеристики шума на изображениях, выбранных участниками. [4] Классификационное изображение также можно вычислить для групп путем усреднения классификационных изображений отдельных лиц. [4] Эти классификационные изображения используются исследователями для интерпретации данных и формулирования выводов. В целом метод обратной корреляции представляет собой процесс, в результате которого создается составное изображение (от человека или группы), которое можно использовать для оценки и интерпретации мысленных представлений.

Термин функция revcor иногда используется для описания аппроксимации импульсной характеристики, полученной путем усреднения по пиковым значениям.

Базовая схема исследования

[ редактировать ]

Метод обратной корреляции обычно реализуется как лабораторный компьютерный эксперимент. Этот метод состоит из четырех широких шагов. Каждый из следующих шагов описан более подробно ниже.

После создания исследовательского вопроса и определения того, что метод обратной корреляции является наиболее подходящим методом для ответа на этот вопрос, исследователь должен (1) разработать случайно изменяющиеся стимулы. [4] После того, как стимулы подготовлены, исследователь должен (2) собрать данные от участников, которые увидят и ответят примерно на 300–1000 испытаний. [4] [13] Каждое испытание будет состоять из одного или двух изображений (рядом друг с другом), полученных на основе одного и того же базового изображения с наложенным сверху шумом. Ответы участников будут зависеть от выбранного дизайна исследования; если исследователь представляет только одно изображение за раз, участники оценивают изображение по шкале 4 балла, но когда показаны два изображения, участнику предлагается выбрать, какое из них лучше всего соответствует данной категории (например, выбрать изображение, которое выглядит наиболее агрессивно). ). [4] Как только все данные будут собраны, исследователь (3) вычислит классификационные изображения для каждого участника и, используя эти изображения, вычислит групповые классификационные изображения. [4] Наконец, имея доступные классификационные изображения, исследователь (4) оценит изображения и сделает выводы о их результатах. [4]

Шаг 1: создание стимулов

[ редактировать ]

При разработке стимулов для исследования обратной корреляции следует учитывать два основных фактора: (1) базовое изображение и (2) шум, который будет использоваться. [4] Хотя не все базы являются изображениями сами по себе, большинство из них таковыми являются, и по этой причине базу обычно называют базовым изображением. Базовое изображение должно отражать вопрос исследования. Например, если вас интересуют мысленные представления людей о китайцах, не имеет смысла использовать базовый образ испанца или человека европеоидной расы. Опять же, если вас интересуют мысленные представления мужских вокальных моделей, было бы разумнее использовать базовый вокальный образец, созданный мужчиной. [4]

Наличие базы важно, поскольку она обеспечивает участникам своего рода якорь для работы. Когда базового изображения нет, количество необходимых испытаний резко увеличивается, что затрудняет сбор данных. [4] Хотя есть исследования, которые исключили базовое изображение (например, исследование S [14] ), для более сложных и тонких исследовательских вопросов важно иметь базовое изображение, которое точно отражает то, что участников просят классифицировать. Фотографии лиц, как правило, являются самым популярным базовым изображением.

Хотя метод обратной корреляции способен исследовать широкий спектр исследовательских вопросов, наиболее распространенным применением этого метода является оценка лиц по одному признаку. Исследования обратной корреляции, направленные на оценку лица, иногда называют моделью обратной корреляции пространства лица (FSRCM). [15] К счастью, существуют базы данных изображений лиц различной демографической принадлежности и эмоций, которые хорошо работают в качестве базовых изображений.

Метод обратной корреляции также можно использовать, чтобы помочь исследователям определить, какие области изображения (например, области на лице) имеют диагностическую ценность. [15] Чтобы определить эти ценные области, исследователи начинают с минимизации пространства, из которого участник может получить информацию. Наложение «маски» на изображение (например, размытие изображения, оставляя случайные области неразмытыми) уменьшает количество информации, которую могут видеть люди, и вынуждает их сосредоточиться на определенных областях. [15] Затем, если/когда участники смогут правильно идентифицировать изображение с определенной чертой повторно, мы сможем сделать выводы о том, какие области имеют диагностическую ценность. [15]

Хотя лица и визуальные стимулы являются наиболее популярными, это не единственные стимулы, которые можно использовать в исследовании обратной корреляции. Этот метод изначально был разработан для слуховых стимулов, что позволяет исследователям исследовать, как воспринимающие интерпретируют слуховую информацию, и создавать атрибуции на основе характеристик различных звуковых моделей. [15] Например, сегментировав голосовую запись одного слова (общая продолжительность звука 426 мс) на шесть сегментов (по 71 мс каждый) и варьируя высоту каждого сегмента с помощью распределения Гаусса, исследователи смогли выяснить, какие голосовые модели люди связывают с определенными чертами характера. . [16] В частности, в этом исследовании изучалось, как слушатели оценивали аудиоклипы со словом «действительно» как более вопросительные (т.е., как и в более распространенных исследованиях обратной корреляции, в этом исследовании участники прослушивали два аудиоклипа за испытание, выбирали, какой из них лучше всего соответствует данной категории, и затем создал среднее значение контуров высоты тона). [16] Помимо лица и слухового восприятия, исследования с использованием метода обратной корреляции расширились и стали изучать, как люди видят трехмерные объекты на изображениях с шумом (но без сигнала). [17] [18]

После выбора базового изображения, независимо от того, что это за изображение, полезно применить размытие по Гауссу , чтобы сгладить шум на изображении. Хотя шум будет применен позже, перед применением выбранного шума полезно уменьшить существующий шум на фотографии. [4] Когда дело доходит до шума, существует три основных варианта: белый шум , синусоидальный шум и шум Габора . [4] Последние два из них ограничивают конфигурации, которые может иметь шум, и поэтому белый шум обычно используется чаще всего. [4] Независимо от выбранного типа шума, крайне важно, чтобы шум изменялся случайным образом. [4]

Шаг 2: сбор данных

[ редактировать ]

После того, как стимулы для исследования определены, исследователь должен принять несколько решений, прежде чем фактически собирать данные. Исследователь должен прийти к выводу, сколько стимулов будет предъявлено одновременно и сколько испытаний увидят участники.

Что касается представления стимулов, исследователь может выбрать либо принудительный выбор из двух изображений (2IFC), либо принудительный выбор из четырех альтернатив (4AFC). 2IFC представляет два изображения одновременно (рядом) и требует от участников выбора между двумя в определенной категории (например, какое изображение больше всего похоже на мужчину). [4] Обычно шум левого изображения является математической инверсией шума правого изображения. Этот метод был разработан для лучшего ответа на вопросы, на которые невозможно полностью ответить с помощью метода 4AFC. По сравнению с 2IFC, 4AFC показывает участникам только одно изображение за испытание и требует от них оценить изображение по 4-балльной шкале ((1) Вероятно X, (2) Возможно X, (3) Возможно Y, (4) Наверное, Ю). [4] Например, здесь X может представлять мужчину, а Y может представлять женщину. Обычно во время анализа данных включаются только изображения, выбранные как «вероятно» категория. [4]

Как упоминалось ранее, 2IFC был разработан для решения вопросов, на которые 4AFC не мог легко ответить. В 4AFC существует вероятность того, что участники не смогут выбрать «вероятную» категорию, и если это произойдет, классификационное изображение не может быть вычислено. [4] Например, если базовое изображение не похоже на мысленное представление, о котором участников просят сообщить, то участники никогда не смогут сделать уверенный выбор и отнести изображение к категории «вероятно». [4] Хотя это является недостатком 4AFC, одним из преимуществ этого метода и структуры шкалы является то, что исследователи могут видеть суждения участников об их решениях по классификации (например, вероятная метка X предполагает большую уверенность в их решении, чем возможная метка X). [4]

Что касается выбора количества испытаний, обычно исследователи, проводящие исследование обратной корреляции, предоставляют участникам 300–1000 испытаний. [13]

Шаг 3: вычисление классификационного изображения (CI)

[ редактировать ]

Опять же, классификационное изображение — это вычисленный средний шум всех выбранных изображений (стимулов). Классификационные изображения могут быть созданы для отдельных лиц или группы. Вычисление классификационного изображения для отдельных лиц и групп немного отличается. [4] Чтобы вычислить классификационное изображение для человека, исследователь начнет с создания среднего значения шума всех выбранных изображений, а затем наложит этот шаблон на базовое изображение. Перед наложением шума он масштабируется в соответствии с базовым изображением (т. е. наименьшая и наибольшая интенсивности пикселей сопоставляются с пикселями базового изображения). [4] Чтобы создать классификационное изображение для группы, исследователь либо обрабатывает каждое отдельное классификационное изображение отдельно (убедившись, что пиксели масштабируются независимо), либо применяет зависимое масштабирование. Зависимое масштабирование называется таковым, потому что масштабирование, применяемое ко всем изображениям классификации, зависит от изображения с наибольшим диапазоном пикселей. [4] Используя это единственное изображение и его диапазон пикселей, исследователь сопоставит пиксели классификационного изображения с пикселями базового изображения. Коэффициент масштабирования, используемый для этого изображения, затем применяется к остальным классификационным изображениям. [4] Выбирая между этими двумя подходами, имейте в виду, что при классификации изображений с небольшим сигналом независимое масштабирование усиливает сигнал и шум больше, чем зависимое масштабирование. [4] Если исследователя интересует сила сигнала, ему предлагается использовать зависимое масштабирование. [4]

При расчете классификационного изображения очень важно учитывать, как внешний шум повлияет на соотношение сигнал/шум (SNR). SNR — это отношение полезного входного сигнала (например, сигнала) к нежелательной информации (например, шуму). [19] использовать формулу C= + ) NAB NBA наблюдатели беспристрастны Один из способов получить высокое ОСШ ( - ( ) — + NBB NAA когда ) ( . [19] Эти исследователи нашли оптимальные экспериментальные параметры для различных планов исследования, которые приведут к высокому SNR.

Шаг 4: оценка классификационных изображений и подведение итогов

[ редактировать ]

После расчета классификационных изображений для отдельных участников и/или группы исследователь будет использовать эти изображения, чтобы сделать выводы по вопросам своего исследования. Однако, хотя это и не всегда так, иногда после создания первого набора классификационных изображений исследователи затем берут эти изображения, представляют их новой выборке участников и просят их оценить изображения по следующему интересующему фактору. Этот процесс называется двухфазной обратной корреляцией. [4] Например, если классификационное изображение было рассчитано после того, как участникам было предложено выбрать изображение, которое больше всего походило на полицейского, сгенерированные классификационные изображения можно было затем представить новой выборке, которая будет оценивать изображения на предмет того, насколько агрессивно выглядят лица. Этот процесс позволяет легче делать выводы на основе данных. Хотя этот шаг может облегчить получение выводов, необходимо проявлять осторожность, чтобы не набрать слишком много участников на втором этапе, поскольку из-за большого числа участников малейшие различия будут выглядеть значимыми, что приведет к ошибке 1-го типа . [13]

Хотя обратная корреляция обычно используется для создания визуального представления одного признака, этот метод позволяет создать визуальное представление более чем одного признака на одном изображении. [20] Используя одно и то же базовое изображение и шум, можно создать классификационное изображение признака 1 и классификационное изображение признака 2, а затем создать совокупную фотографию двух классификационных изображений (таким образом создавая новое классификационное изображение, включающее два социальных признака). [20]

Кроме того, исследователи изучили, как процесс принятия решений влияет и отражается в методе обратной корреляции, и обнаружили, что между ними существует значительная связь. Поэтому при интерпретации результатов с использованием метода обратной корреляции исследователи должны проявлять осторожность и не игнорировать то, как процесс принятия решений может повлиять на данные. [21]

Чтение сигнала в классификационном изображении может быть затруднено. Исследователи предполагают, что при попытке интерпретировать сигнал лучше всего использовать недавно разработанный показатель, называемый «infoVal». [22] «InfoVal» сравнивает информационную ценность вычисленного классификационного изображения со случайным распределением. [22] Интерпретация показателя «infoVal» аналогична интерпретации z-показателя. [22]

См. также

[ редактировать ]
  1. ^ Перейти обратно: а б Рингач, Дарио; Шепли, Роберт (март 2004 г.). «Обратная корреляция в нейрофизиологии» . Когнитивная наука . 28 (2): 147–166. дои : 10.1207/s15516709cog2802_2 .
  2. ^ Одзава, Идзуми; Де Анджелис, Грегори К.; Фриман, Ральф Д. (август 1990 г.). «Стереоскопическая дискриминация по глубине в зрительной коре: нейроны, идеально подходящие в качестве детекторов несоответствия». Наука . 249 (4972): 1037–1041. Бибкод : 1990Sci...249.1037O . дои : 10.1126/science.2396096 . ПМИД   2396096 .
  3. ^ Даян, Питер; Эбботт, Лоуренс Ф. (2001). Теоретическая нейронаука — вычислительное и математическое моделирование нейронных систем . Массачусетский технологический институт Пресс. Кембридж, Массачусетс. ISBN  978-0262541855 .
  4. ^ Перейти обратно: а б с д и ж г час я дж к л м н тот п д р с т в v В х и С аа аб и Бринкман, Л.; Тодоров А.; Доч, Р. (январь 2017 г.). «Визуализация мысленных представлений: учебник по обратной корреляции на основе шума в социальной психологии» . Европейский обзор социальной психологии . 28 (1): 333–361. дои : 10.1080/10463283.2017.1381469 . ISSN   1046-3283 .
  5. ^ Карреманс, Йохан К.; Дотч, Рон; Корнель, Оливье (декабрь 2011 г.). «Статус романтических отношений искажает память о лицах привлекательных людей противоположного пола: данные парадигмы обратной корреляции». Познание . 121 (3): 422–426. дои : 10.1016/j.cognition.2011.07.008 . ПМИД   21903209 . S2CID   8050358 .
  6. ^ Лик, Дэвид Дж.; Карпинелла, Коллин М.; Пресиадо, Мариана А.; Спунт, Роберт П.; Джонсон, Керри Л. (2013). «Обратная корреляция ментальных представлений о телах по половому признаку: влияние количества испытаний на качество изображения» . Границы в психологии . 4 : 476. doi : 10.3389/fpsyg.2013.00476 . ISSN   1664-1078 . ПМК   3727110 . ПМИД   23908637 .
  7. ^ Мун, Кибом; Ким, Со Чжон; Ким, Джинвон; Ким, Хакджин; Ко, Янг-гун (12 июня 2020 г.). «Зеркало разума: визуализация мысленных представлений о себе посредством обратной корреляции» . Границы в психологии . 11 : 1149. дои : 10.3389/fpsyg.2020.01149 . ISSN   1664-1078 . ПМЦ   7307554 . ПМИД   32612554 .
  8. ^ Этье-Майшер, Кэтрин; Жубер, Свен; Госслен, Фредерик (2013). «Обратное сопоставление заслуживающих доверия лиц у молодых и пожилых людей» . Границы в психологии . 4 : 592. дои : 10.3389/fpsyg.2013.00592 . ISSN   1664-1078 . ПМЦ   3763214 . ПМИД   24046755 .
  9. ^ Майстер, Лара; Де Бекелер, Софи; Лонго, Мэтью; Цакирис, Манос (18 февраля 2020 г.). «Я мысленным взором: обратная корреляция себя показывает, как психологические убеждения и отношения формируют наш образ тела» . дои : 10.31234/osf.io/f2b36 . S2CID   236794071 . {{cite journal}}: Для цитирования журнала требуется |journal= ( помощь )
  10. ^ Бринкман, Люк; Дотч, Рон; Без денег, Джелмер; Коевоец, Мартин GJC; Арка, Хенк; Ван Харен, Нилтье Э.М. (01 сентября 2019 г.). «Визуализация психических представлений у пациентов с шизофренией: подход обратной корреляции» . Исследование шизофрении: познание . 17 :100138.дои 10.1016 : /j.scog.2019.100138 . ISSN   2215-0013 . ПМК   6454059 . ПМИД   31008060 .
  11. ^ «Сигнал изображения — обзор | Темы ScienceDirect» . www.sciencedirect.com . Проверено 30 ноября 2020 г.
  12. ^ «Что такое шум в фотографии?» . Фотография Жизнь . 09.03.2018 . Проверено 30 ноября 2020 г.
  13. ^ Перейти обратно: а б с Коун, Джереми; Браун-Ианнуцци, Джасмин Л.; Лей, Райан; Дотч, Рон (06 августа 2020 г.). «Ошибка типа I завышена в процедуре двухфазной обратной корреляции» . Социальная психология и наука о личности . 12 (5): 760–768. дои : 10.1177/1948550620938616 . ISSN   1948-5506 . S2CID   225411708 .
  14. ^ Госслен, Фредерик; Шинс, Филипп Г. (сентябрь 2003 г.). «Суеверные представления раскрывают свойства внутренних представлений» . Психологическая наука . 14 (5): 505–509. дои : 10.1111/1467-9280.03452 . ISSN   0956-7976 . ПМИД   12930484 . S2CID   14282479 .
  15. ^ Перейти обратно: а б с д и Тодоров, Александр; Дотч, Рон; Вигболдус, Дэниел Х.Дж.; Саид, Крис П. (2011). «Методы моделирования социального восприятия, основанные на данных» . Компас социальной и личностной психологии . 5 (10): 775–791. дои : 10.1111/j.1751-9004.2011.00389.x . ISSN   1751-9004 .
  16. ^ Перейти обратно: а б Понсо, Эммануэль; Бурред, Хуан Хосе; Белин, Паскаль; Окутюрье, Жан-Жюльен (10 апреля 2018 г.). «Взлом социального кода просодии речи с помощью обратной корреляции» . Труды Национальной академии наук . 115 (15): 3972–3977. Бибкод : 2018PNAS..115.3972P . дои : 10.1073/pnas.1716090115 . ISSN   0027-8424 . ПМК   5899438 . ПМИД   29581266 .
  17. ^ Госслен, Фредерик; Бэкон, Бенуа А.; Мамасян, Паскаль (сентябрь 2004 г.). «Представления внутренней поверхности, аппроксимированные обратной корреляцией» . Исследование зрения . 44 (21): 2515–2520. дои : 10.1016/j.visres.2004.05.016 . ПМИД   15358086 .
  18. ^ Скарф, Питер; Хиббард, Пол Б. (июнь 2013 г.). «Обратная корреляция показывает, как наблюдатели выбирают визуальную информацию при оценке трехмерной формы» . Исследование зрения . 86 : 115–127. дои : 10.1016/j.visres.2013.04.016 . ПМИД   23665429 .
  19. ^ Перейти обратно: а б Мюррей, Ричард Ф.; Беннетт, Патрик Дж.; Секулер, Эллисон Б. (19 февраля 2002 г.). «Оптимальные методы расчета классификационных изображений: Взвешенные суммы» . Журнал видения . 2 (1): 79–104. дои : 10.1167/2.1.6 . ISSN   1534-7362 . ПМИД   12678598 .
  20. ^ Перейти обратно: а б Оливейра, Мануэль; Гарсиа-Маркес, Тереза; Дотч, Рон (октябрь 2019 г.). «Объединение черт лица: метод обратной корреляции» . Социальное познание . 37 (5): 516–545. дои : 10.1521/soco.2019.37.5.516 . ISSN   0278-016X . S2CID   210583652 .
  21. ^ Окадзава, Гоуки; Ша, Лонг; Перселл, Брейден А.; Киани, Рузбе (декабрь 2018 г.). «Психофизическая обратная корреляция отражает как сенсорные процессы, так и процессы принятия решений» . Природные коммуникации . 9 (1): 3479. Бибкод : 2018NatCo...9.3479O . дои : 10.1038/s41467-018-05797-y . ISSN   2041-1723 . ПМК   6113286 . ПМИД   30154467 .
  22. ^ Перейти обратно: а б с Бринкман, Люк; Гоффин, Стэнни; ван де Шут, Ренс; ван Харен, Нилтье Э.М.; Дотч, Рон; Аартс, Хенк (октябрь 2019 г.). «Количественная оценка информационной ценности классификационных изображений» . Методы исследования поведения . 51 (5): 2059–2073. дои : 10.3758/s13428-019-01232-2 . ISSN   1554-3528 . ПМК   6797653 . ПМИД   30937848 .
Arc.Ask3.Ru: конец переведенного документа.
Arc.Ask3.Ru
Номер скриншота №: 2c1a36bb73f77982272a1a8b3917c27f__1686775080
URL1:https://arc.ask3.ru/arc/aa/2c/7f/2c1a36bb73f77982272a1a8b3917c27f.html
Заголовок, (Title) документа по адресу, URL1:
Reverse correlation technique - Wikipedia
Данный printscreen веб страницы (снимок веб страницы, скриншот веб страницы), визуально-программная копия документа расположенного по адресу URL1 и сохраненная в файл, имеет: квалифицированную, усовершенствованную (подтверждены: метки времени, валидность сертификата), открепленную ЭЦП (приложена к данному файлу), что может быть использовано для подтверждения содержания и факта существования документа в этот момент времени. Права на данный скриншот принадлежат администрации Ask3.ru, использование в качестве доказательства только с письменного разрешения правообладателя скриншота. Администрация Ask3.ru не несет ответственности за информацию размещенную на данном скриншоте. Права на прочие зарегистрированные элементы любого права, изображенные на снимках принадлежат их владельцам. Качество перевода предоставляется как есть. Любые претензии, иски не могут быть предъявлены. Если вы не согласны с любым пунктом перечисленным выше, вы не можете использовать данный сайт и информация размещенную на нем (сайте/странице), немедленно покиньте данный сайт. В случае нарушения любого пункта перечисленного выше, штраф 55! (Пятьдесят пять факториал, Денежную единицу (имеющую самостоятельную стоимость) можете выбрать самостоятельно, выплаичвается товарами в течение 7 дней с момента нарушения.)